專利名稱：一種基于激光電視全息技術(shù)的結(jié)構(gòu)損傷識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及結(jié)構(gòu)損傷識(shí)別領(lǐng)域，特別涉及一種基于激光電視全息測(cè)試技術(shù)的結(jié)構(gòu) 損傷檢測(cè)方法。
背景技術(shù)：
激光電視全息(Laser TV-Holography)技術(shù)是一種非接觸式全場(chǎng)實(shí)時(shí)測(cè)量技術(shù)， 因其通用性強(qiáng)、測(cè)量精度高、頻率范圍寬及測(cè)量簡便等優(yōu)點(diǎn)，近年來在振動(dòng)測(cè)試和損傷檢測(cè) 領(lǐng)域得到了快速發(fā)展。激光電視全息技術(shù)應(yīng)用于損傷檢測(cè)的基本原理是在外載荷的作用下，結(jié)構(gòu)損傷 處的外表面會(huì)產(chǎn)生非均勻的變形，在有規(guī)則的散斑干涉條紋中會(huì)出現(xiàn)明顯的異狀，如不連 續(xù)、突變的形狀變化和間距變化等，從而可檢測(cè)出結(jié)構(gòu)缺陷及其位置。激光電視全息技術(shù)具 有通用性強(qiáng)、測(cè)量精度高、頻率范圍寬及測(cè)量簡便等特點(diǎn)，可以完成位移、應(yīng)變、表面缺陷和 裂紋檢測(cè)等多種測(cè)試。但是，在使用過程中發(fā)現(xiàn)要通過干涉條紋變形來判斷結(jié)構(gòu)缺陷，首先要將原始干 涉條紋圖像轉(zhuǎn)換為結(jié)構(gòu)振動(dòng)位移、應(yīng)變等分布圖，在此數(shù)據(jù)轉(zhuǎn)換過程中需要進(jìn)行復(fù)雜的計(jì) 算，不可避免會(huì)影響到計(jì)算結(jié)果的準(zhǔn)確性。同時(shí)，測(cè)量設(shè)備對(duì)周圍環(huán)境和操作條件都有一定 的要求，測(cè)量系統(tǒng)誤差的影響往往掩蓋了結(jié)構(gòu)損傷的信息；特別是當(dāng)結(jié)構(gòu)發(fā)生較小損傷時(shí)， 很難判斷損傷是否已經(jīng)出現(xiàn)。為了提高測(cè)量精度，人們一直試圖將智能診斷方法引入損傷檢測(cè)領(lǐng)域，如將神經(jīng) 網(wǎng)絡(luò)用于圖像增強(qiáng)和干涉條紋分析中。但如果要取得較好的預(yù)測(cè)效果，需要收集大量可靠 的試驗(yàn)數(shù)據(jù)充分訓(xùn)練預(yù)測(cè)模型，這在很大程度上限制了該方法的廣泛應(yīng)用。近年來出現(xiàn)的 支持向量機(jī)算法(Support Vector Machine，SVM)，在樣本量較少的情況下亦能獲得很好的 學(xué)習(xí)效果，能夠避免神經(jīng)網(wǎng)絡(luò)等方法結(jié)構(gòu)難于確定、過學(xué)習(xí)以及局部極小化等問題。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題在于，在現(xiàn)有激光電視全息測(cè)試技術(shù)的基礎(chǔ)上，進(jìn)一 步提高結(jié)構(gòu)損傷的識(shí)別精度。為了要解決上述的技術(shù)問題，本發(fā)明的技術(shù)方案如下先得到無損結(jié)構(gòu)的散斑干 涉條紋圖像，同時(shí)模擬測(cè)量噪聲對(duì)散斑條紋圖像的影響，構(gòu)造一組無損結(jié)構(gòu)的散斑干涉條 紋圖像，然后通過支持向量機(jī)分類算法構(gòu)建結(jié)構(gòu)損傷檢測(cè)模型，待測(cè)圖像經(jīng)過分類比較后 就可判斷損傷是否發(fā)生，并進(jìn)一步確定損傷發(fā)生的位置。本發(fā)明的結(jié)構(gòu)損傷識(shí)別方法，具體包括如下步驟(1)建立一組無損結(jié)構(gòu)的散斑干涉條紋圖像訓(xùn)練樣本集。散斑干涉圖像的像素值Valpixel可表示為Valpixel = A cos(0)Jo(2jiK· δ) (1)上式中A為物體光場(chǎng)和參考光場(chǎng)的強(qiáng)度，是一個(gè)正態(tài)分布隨機(jī)量；θ為物光場(chǎng)和參考光場(chǎng)的光學(xué)相位差，在(ο，2π)間隨機(jī)均勻分布；cos(e)在像面上就對(duì)應(yīng)于散斑；Jtl 為零階貝賽爾函數(shù)，K為靈敏度向量，δ為以光波為單位的位移振幅。光強(qiáng)分布曲面一般是 連續(xù)遞變的，但在出現(xiàn)缺陷的地方，曲面會(huì)發(fā)生突然陡變。如果直接對(duì)條紋圖像進(jìn)行分類識(shí)別，把整幅圖像所有像素點(diǎn)的灰度值作為輸入層 單元，其維數(shù)高達(dá)幾十萬。這對(duì)于機(jī)器學(xué)習(xí)是一個(gè)很大的考驗(yàn)，同時(shí)也是不必要的。將無損 結(jié)構(gòu)散斑干涉條紋圖像分割為一系列網(wǎng)格，網(wǎng)格的大小要既便于輸入計(jì)算模型，同時(shí)又盡
量保留其信息。劃分后的每個(gè)網(wǎng)格包括多個(gè)像素點(diǎn)，考慮到光學(xué)測(cè)量噪聲的影響，網(wǎng)格的像素并 不是取其平均值，而是考慮測(cè)試設(shè)備測(cè)量誤差、測(cè)量環(huán)境、操作條件等條件對(duì)測(cè)量結(jié)果的影 響程度。首先根據(jù)公式(1)計(jì)算像素值概率分布特征；然后隨機(jī)取網(wǎng)格中某一點(diǎn)像素值作 為初始值，并根據(jù)測(cè)量噪聲概率分布特點(diǎn)，計(jì)算得到此網(wǎng)格的多個(gè)像素值，從而建立多個(gè)輸 入樣本。但此時(shí)會(huì)產(chǎn)生數(shù)量很多的散斑干涉條紋圖像可供選取，一般隨機(jī)選取10 20%即 可滿足網(wǎng)絡(luò)訓(xùn)練的要求。以一塊板為例，將其分割為20X40個(gè)網(wǎng)格，共800個(gè)節(jié)點(diǎn)。每個(gè)節(jié)點(diǎn)可能的像素值 從0到255(假定8比特?cái)z像頭)，可以產(chǎn)生2568°°個(gè)干涉圖像，但只有800個(gè)是相互獨(dú)立。 此時(shí)，從獨(dú)立的800個(gè)條紋圖中，隨機(jī)選取10 20%滿足網(wǎng)絡(luò)訓(xùn)練的要求，例如選取100個(gè) 條紋圖像建立訓(xùn)練樣本進(jìn)行訓(xùn)練。(2)按照支持向量機(jī)分類算法，建立損傷檢測(cè)分類網(wǎng)絡(luò)。將無損結(jié)構(gòu)散斑干涉條紋圖像的訓(xùn)練樣本，輸入到支持向量機(jī)分類算法中，選擇 合適的核函數(shù)及相關(guān)參數(shù)，建立基于支持向量機(jī)分類算法的無損結(jié)構(gòu)散斑干涉條紋圖像分 類模型。此模型中包括了測(cè)量噪聲影響下無損結(jié)構(gòu)散斑干涉條紋圖像的變化特征。為了提高支持向量機(jī)算法的計(jì)算精度，需要選擇合適的核函數(shù)。一般常用的核函 數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)以及徑向基核函數(shù)等，通過計(jì)算發(fā)現(xiàn)采取徑向基函數(shù)能夠 取得較好的預(yù)測(cè)效果。徑向基函數(shù)參數(shù)的選擇，利用交叉檢驗(yàn)方法自動(dòng)尋優(yōu)得到。(3)將待測(cè)結(jié)構(gòu)的散斑干涉條紋圖像，也按無損結(jié)構(gòu)的條紋圖像網(wǎng)格分割方式處理。(4)比較步驟，將步驟(3)所得到的待測(cè)結(jié)構(gòu)的散斑干涉條紋圖像輸入步驟⑴得 到的無損結(jié)構(gòu)散斑干涉條紋圖像分類模型進(jìn)行比較。如果分類結(jié)果表明，如果所述的待測(cè) 結(jié)構(gòu)的散斑干涉條紋圖像所有網(wǎng)格像素值在無損結(jié)構(gòu)散斑干涉條紋圖像分類模型取值范 圍內(nèi)，則表明該結(jié)構(gòu)還未出現(xiàn)損傷。如果待測(cè)結(jié)構(gòu)的散斑干涉條紋圖像某一網(wǎng)格像素值超 過了該無損結(jié)構(gòu)散斑干涉條紋圖像分類模型取值范圍，則在此網(wǎng)格處出現(xiàn)了損傷，應(yīng)進(jìn)一 步仔細(xì)檢查。 本發(fā)明利用支持向量機(jī)直接對(duì)散斑條紋圖像進(jìn)行分類，一方面可以降低激光散斑 測(cè)試噪聲的干擾，提高計(jì)算精度；另外一個(gè)優(yōu)勢(shì)就是可以檢測(cè)整個(gè)結(jié)構(gòu)的變化，而不僅僅不 是某一點(diǎn)的變化。這個(gè)方法也可以加入到光學(xué)測(cè)量系統(tǒng)中，以待測(cè)試的條紋圖像與無損結(jié) 構(gòu)的條紋干涉圖像比較，直接判斷是否發(fā)生結(jié)構(gòu)，而不必進(jìn)行復(fù)雜的數(shù)據(jù)轉(zhuǎn)換計(jì)算，提高了 散斑干涉條紋的處理精度，簡化了損傷識(shí)別過程。


圖1為本發(fā)明的基于激光電視全息技術(shù)的結(jié)構(gòu)損傷檢測(cè)的具體流程圖。
具體實(shí)施例方式為了使本發(fā)明的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解，下面結(jié)合實(shí) 施例對(duì)本發(fā)明作進(jìn)一步闡述。如圖1所示，本發(fā)明的損傷識(shí)別方法的流程開始于步驟100，在步驟200建立無損 結(jié)構(gòu)的散斑干涉條紋圖像訓(xùn)練樣本集。散斑干涉條紋圖像的像素值表示為Valpixel = Acos( θ )J0(2jiK · δ) (1)其中，A為物體光場(chǎng)和參考光場(chǎng)的強(qiáng)度，是一個(gè)正態(tài)分布的隨機(jī)量；θ為物光場(chǎng)和 參考光場(chǎng)的光學(xué)相位差，在(0，2π)間均勻分布的隨機(jī)量；Jtl為零階貝賽爾函數(shù)，K為靈敏 度向量，S為以光波為單位的位移振幅。根據(jù)無損結(jié)構(gòu)散斑干涉條紋圖構(gòu)建訓(xùn)練樣本。如果圖像較大，可先將結(jié)構(gòu)條紋圖 分割為多個(gè)子區(qū)域，對(duì)每個(gè)子區(qū)域分別構(gòu)建損傷樣本，建立各自的支持向量機(jī)損傷識(shí)別網(wǎng)然后將子區(qū)域進(jìn)一步細(xì)化分割為一系列網(wǎng)格，網(wǎng)格大小的選擇是關(guān)鍵。一般可按 3X3或4X4像素節(jié)點(diǎn)分割，這樣既便于輸入網(wǎng)格，同時(shí)又盡量保留像素信息。接下來計(jì)算式(1)中各參數(shù)的測(cè)量噪聲概率正態(tài)分布特征；取網(wǎng)格中某一點(diǎn)像素 值作為初始值，并根據(jù)測(cè)量噪聲概率分布特點(diǎn)，計(jì)算得到這一網(wǎng)格的多個(gè)像素值，從而建立 多個(gè)輸入樣本。在所有干涉條紋圖中，隨機(jī)選取10 20%相互獨(dú)立的條紋像素圖建立訓(xùn)練 樣本。如某板的條紋圖為640X480的灰度圖，考慮到數(shù)據(jù)量較大，先對(duì)圖形進(jìn)行分割， 分成8X8共64個(gè)子區(qū)域，對(duì)每個(gè)區(qū)域分別構(gòu)建損傷樣本。對(duì)于每個(gè)80X60像素的子區(qū)域，按每4X4個(gè)像素點(diǎn)分割成一系列網(wǎng)格，得到300 個(gè)節(jié)點(diǎn)，隨機(jī)取其中一個(gè)像素點(diǎn)的值作為每個(gè)節(jié)點(diǎn)的初始像素值。按正態(tài)分布特征計(jì)算每 個(gè)點(diǎn)的像素值，可以產(chǎn)生256300個(gè)條紋圖像，但只有300個(gè)是相互獨(dú)立的干涉條紋圖。隨 機(jī)選取10 20% —般可以滿足網(wǎng)絡(luò)訓(xùn)練的要求，選取50個(gè)圖像建立訓(xùn)練樣本進(jìn)行訓(xùn)練建 立支持向量機(jī)分類網(wǎng)絡(luò)。為計(jì)算方便，對(duì)于像素值歸一化到
之間處理。步驟300中，根據(jù)步驟200建立的無損結(jié)構(gòu)的圖像樣本集，建立損傷識(shí)別網(wǎng)絡(luò)模型。將步驟200所建立的訓(xùn)練樣本輸入到支持向量機(jī)分類算法中。根據(jù)經(jīng)驗(yàn)，核函數(shù) 采取徑向基函數(shù)能夠取得較好的預(yù)測(cè)效果，利用正交檢驗(yàn)法計(jì)算得到核函數(shù)的相關(guān)參數(shù)。 計(jì)算后，建立基于支持向量機(jī)分類算法的無損結(jié)構(gòu)散斑干涉條紋圖像模型。此模型中包括 了測(cè)量噪聲影響下無損結(jié)構(gòu)散斑干涉條紋圖像的變化特征。步驟400中，建立待測(cè)結(jié)構(gòu)的散斑干涉條紋圖像。將待測(cè)結(jié)構(gòu)的散斑干涉條紋圖 像，也按無損結(jié)構(gòu)的條紋圖像分割方式處理，將其輸入分類模型。然后進(jìn)行比較步驟500，將步驟400得到的待測(cè)結(jié)構(gòu)的散斑干涉條紋圖像輸入步 驟300得到的無損結(jié)構(gòu)散斑干涉條紋圖像分類模型進(jìn)行比較，如果所述的待測(cè)結(jié)構(gòu)的散斑 干涉條紋圖像所有網(wǎng)格像素值在無損結(jié)構(gòu)散斑干涉條紋圖像分類模型取值范圍內(nèi)，則表明 該待測(cè)結(jié)構(gòu)還未出現(xiàn)損傷；如果待測(cè)結(jié)構(gòu)的散斑干涉條紋圖像某一網(wǎng)格像素值超過了無損結(jié)構(gòu)散斑干涉條紋圖像分類模型取值范圍，則在此網(wǎng)格處出現(xiàn)了損傷，應(yīng)進(jìn)一步仔細(xì)檢查。本發(fā)明利用支持向量機(jī)直接對(duì)散斑條紋圖像進(jìn)行分類，不需要再對(duì)散斑干涉圖像 進(jìn)行數(shù)據(jù)轉(zhuǎn)換，提高了散斑干涉條紋的處理精度，簡化了損傷識(shí)別過程。這一方法實(shí)現(xiàn)了缺 陷判斷智能化，滿足了質(zhì)量檢測(cè)自動(dòng)化的需要。以上顯示和描述了本發(fā)明的基本原理、主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù) 人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說明書中描述的只是說明本 發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變 化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。
權(quán)利要求
1.一種基于激光電視全息技術(shù)的結(jié)構(gòu)損傷識(shí)別方法，其特征在于，包括如下步驟(1)建立一組無損結(jié)構(gòu)的散斑干涉條紋圖像訓(xùn)練樣本集步驟；(2)將步驟(1)所建立的訓(xùn)練樣本集輸入到支持向量機(jī)分類算法中，建立基于支持向 量機(jī)分類算法的無損結(jié)構(gòu)散斑干涉條紋圖像分類模型步驟；(3)建立待測(cè)結(jié)構(gòu)的散斑干涉條紋圖像步驟；(4)比較步驟，在該比較步驟中，將步驟C3)所得到的待測(cè)結(jié)構(gòu)的散斑干涉條紋圖像輸 入步驟(1)得到的無損結(jié)構(gòu)散斑干涉條紋圖像分類模型進(jìn)行比較，如果所述的待測(cè)結(jié)構(gòu)的 散斑干涉條紋圖像所有網(wǎng)格像素值在無損結(jié)構(gòu)散斑干涉條紋圖像分類模型取值范圍內(nèi)，則 表明該待測(cè)結(jié)構(gòu)還未出現(xiàn)損傷；如果待測(cè)結(jié)構(gòu)的散斑干涉條紋圖像某一網(wǎng)格像素值超過了 無損結(jié)構(gòu)散斑干涉條紋圖像分類模型取值范圍，則在此網(wǎng)格處出現(xiàn)了損傷，應(yīng)進(jìn)一步仔細(xì) 檢查。
2.根據(jù)權(quán)利要求1所述的基于激光電視全息技術(shù)的結(jié)構(gòu)損傷識(shí)別方法，其特征在于， 所述建立一組無損結(jié)構(gòu)的散斑干涉條紋圖像訓(xùn)練樣本集步驟包括首先將無損結(jié)構(gòu)散斑干 涉條紋圖像分割為一系列網(wǎng)格，然后利用公式(1)計(jì)算出每一網(wǎng)格像素值概率分布特征， 然后隨機(jī)取任意網(wǎng)格中某一點(diǎn)像素值作為初始值，并根據(jù)測(cè)量噪聲概率分布特點(diǎn)，計(jì)算得 到所述的一系列網(wǎng)格的多個(gè)像素值，進(jìn)一步得到包括多個(gè)相互獨(dú)立的散斑干涉條紋圖像的 散斑干涉條紋圖像；再從相互獨(dú)立的散斑干涉條紋圖像中選取10 20%的相互獨(dú)立的散 斑干涉條紋圖像建立散斑干涉條紋圖像訓(xùn)練樣本集；Valpixel =Acos(0)Jo(2jiK· δ) (1)上式中=Valpixel散斑干涉圖像的像素值，A為物體光場(chǎng)和參考光場(chǎng)的強(qiáng)度，是一個(gè)正態(tài) 分布隨機(jī)量；θ為物光場(chǎng)和參考光場(chǎng)的光學(xué)相位差，在(0，2π)間隨機(jī)均勻分布；cos(e) 在像面上就對(duì)應(yīng)于散斑；Jtl為零階貝賽爾函數(shù)，K為靈敏度向量，δ為以光波為單位的位移 振幅。
3.根據(jù)權(quán)利要求2所述的基于激光電視全息技術(shù)的結(jié)構(gòu)損傷識(shí)別方法，其特征在于， 所述網(wǎng)格按3X3或4X4像素節(jié)點(diǎn)分割。
4.根據(jù)權(quán)利要求2所述的基于激光電視全息技術(shù)的結(jié)構(gòu)損傷識(shí)別方法，其特征在于， 在所述的建立一組無損結(jié)構(gòu)的散斑干涉條紋圖像訓(xùn)練樣本集步驟中，對(duì)于像素值歸一化到
之間處理。
5.根據(jù)權(quán)利要求1所述的基于激光電視全息技術(shù)的結(jié)構(gòu)損傷識(shí)別方法，其特征在于， 所述步驟( 是選擇核函數(shù)及相關(guān)參數(shù)，建立基于支持向量機(jī)分類算法的無損結(jié)構(gòu)散斑干 涉條紋圖像分類模型。
6.根據(jù)權(quán)利要求5所述的基于激光電視全息技術(shù)的結(jié)構(gòu)損傷識(shí)別方法，其特征在于， 所述的核函數(shù)為線性核函數(shù)、多項(xiàng)式核函數(shù)、或徑向基核函數(shù)。
7.根據(jù)權(quán)利要求5所述的基于激光電視全息技術(shù)的結(jié)構(gòu)損傷識(shí)別方法，其特征在于， 所述的核函數(shù)優(yōu)選為徑向基核函數(shù)。
8.根據(jù)權(quán)利要求1所述的基于激光電視全息技術(shù)的結(jié)構(gòu)損傷識(shí)別方法，其特征在于， 所述建立待測(cè)結(jié)構(gòu)的散斑干涉條紋圖像步驟(3)是將待測(cè)結(jié)構(gòu)的散斑干涉條紋圖像采用 網(wǎng)格分割方式處理。
全文摘要
本發(fā)明為基于激光電視全息技術(shù)的結(jié)構(gòu)損傷識(shí)別方法，本發(fā)明公開了一種檢測(cè)結(jié)構(gòu)損傷的方法，包括獲得無損結(jié)構(gòu)的散斑干涉條紋圖像、構(gòu)造一組反映測(cè)量噪聲的無損結(jié)構(gòu)的干涉條紋圖像、通過支持向量機(jī)分類算法構(gòu)建損傷檢測(cè)網(wǎng)絡(luò)模型、未知圖像經(jīng)過分類比較后就可判斷損傷是否發(fā)生、以及損傷發(fā)生的位置。本發(fā)明所提出的方法適用于結(jié)構(gòu)損傷檢測(cè)，能夠提高損傷識(shí)別精度，簡化損傷識(shí)別過程，可實(shí)現(xiàn)結(jié)構(gòu)缺陷判斷智能化。
文檔編號(hào)G01N21/88GK102081045SQ20101013125
公開日2011年6月1日 申請(qǐng)日期2010年3月24日 優(yōu)先權(quán)日2010年3月24日
發(fā)明者于建川, 劉龍 申請(qǐng)人:上海海事大學(xué)